目的本研究为使角膜屈光手术更加精准,针对最新SMILE手术可能存在过矫或者欠矫问题,拟借助机器学习技术结合现有的SMILE角膜屈光手术前的和手术后的测量及随访数据和手术参数,分析影响手术结果的重要因素并构建预测模型辅助设计Nomogram值,以进一步提高手术精准性和可预测性。同时,进行临床对照实验研究以证实模型的有效性。方法本研究整体分为两个部分。在第一部分中,基于SMILE手术患者数据库中的成功手术案例865例,回顾性筛选了患者个体的基本信息数据,人眼的屈光度数据,角膜形态学相关的数据和手术治疗相关参数数据,研究利用计算机信息增益方法结合决策树算法分析挖掘影响手术结果的重要因素并尝试利用神经网络算法构建预测模型。本研究第二部分为前瞻性研究。收集来源于天津市眼科医院屈光手术中心的拟接受SMILE手术的患者病例共计3295例,将所有纳入此次研究的样本分为两组,临床专家组(A组)和机器学习组(B组),应用第一部分中已经构建完成的Nomogram值预测算法模型计算机器学习组的手术参数,并将两组手术结果利用独立样本t检验和回归分析等方法,分别进行术后为期6个月的随访对照研究对比,评估算法模型的准确性、有效性、稳定性和可预测性。结果第一部分,该部分通过分析已经成功手术案例865只眼的临床诊断参数,经过信息增益计算发现影响手术结果中最主要的影响因素为术前屈光度、眼别、裸眼视力等重要因素,并分析得出各因素所占的权重分别是球镜度为0.3379、等效球镜度为0.3363、眼别为0.2273、残余基质厚度为0.1091、激光能量为0.0994、术前视力为0.0921。通过计算比较了多种不同的机器学习算法,并采用10折交叉验证方法验证后发现,基于多层感知神经网络的模型效果,模型平均预测准确率为95.14%。同时,本研究中所采用信息增益算法除了发现临床中已经确认的部分参数对手术结果产生影响之外,还发现新的参数手术光学区所占权重为0.054对SMILE手术结果也会产生影响。第二部分,该部分利用机器学习的多层感知神经网络算法构建模型,临床对照发现具有与手术医生较为一致的准确性。此外,在A、B两组患者中安全性指数分别为0.989±0.056和0.997±0.259(P>0.05),显示机器学习组与医生组具有相同的安全性。有效性指数分别为1.162±0.278和1.174±0.300(P<0.05),两组之间存在统计学差异,机器学习组的有效性指数较好于手术医生组。对于可预测性来说,手术医生组有88%的样本和机器学习组96%的样本术后屈光度在±1.00D以内,59%的患者和70%的样本手术后屈光度在±0.50D。两组患者的预计矫正等效球镜度和实际矫正等效球镜屈光度的相关性分别为R~2=0.9134和R~2=0.9162(P>0.05),在术后1天、1周、1个月、3个月、6个月时候的稳定性均显示较为一致,分别为手术医生组(-0.474±0.54)(-0.333±0.48)(-0.457±0.55)(-0.444±0.51)(-0.472±0.49),机器学习组(-0.476±0.54)(-0.335±0.51)(-0.436±0.52)(-0.281±3.16)(-0.468±0.51),(P>0.05)。结论(一)成功基于机器学习技术将屈光手术案例大数据中客观分析得到了SMILE手术效果的重要影响因素,并借助这些属性特征构建了预测模型,证实机器学习可以辅助医生并可发现影响临床决策的因素。(二)利用构建完成的模型模拟设计近视患者SMILE手术Nomogram值参数任务,并表现出与临床专家更为良好的预测性能,进一步明确了借助人工智能方法可以实现对SMILE手术乃至临床诊疗的辅助任务,以提高手术的精准性。